[发明专利]一种基于稀疏回归的商家客流量多因素分析与预测方法

权利要求书

1.一种基于稀疏回归的商家客流量多因素分析与预测方法，其特征在于，包括如下步骤：

步骤一、历史客流数据预处理

1)针对每一个商家客流数据，去除为0的数据；

2)计算每个商家客流数据的上四分位点和下四分位点；

3)计算每个商家客流数据异常数据的上边界和下边界；

4)根据异常数据的上下边界，去除每个商家的异常数据；

5)对去除噪声数据后的客流量数据进行标准化；

步骤二、商家客流量多因素字典构建

分析影响商家客流量的外部因素，包括节假日因素，温度因素和天气因素；根据时间建立节假日字典，对于温度因素和天气因素，根据每个商家所处城市，分别构建温度因素字典和天气因素字典，最后结合正交DCT-II字典以及Kronecker Delta函数完成商家客流量多因素字典的构建，公式为：

D＝[DCT,K,H,T,W]

其中，D表示商家客流量多因素字典，DCT表示正交DCT-II字典，K表示Kronecker Delta函数产生的字典，H表示节假日因素，T表示温度因素，W表示天气因素；

在步骤一中去除的噪声数据在节假日因素、温度因素、天气因素字典中对应时间的数据也需要删除，确保商家客流量数据和多因素数据时间上一一对应；

所述步骤二、商家客流量多因素字典构建的具体步骤为：

1)根据公式(5)对节假日因素H进行处理；

2)根据公式(6)对温度因素T进行处理；

其中high是当天最高的温度，而low是当天最低的温度；

3)根据常见天气状况及其严重程度，将天气分为晴、小雨、大雨、小雪、大雪几种不同情况，并分别设置不同的标签；如公式(7)所示：

4)完成商家客流量多因素字典D构建；

根据公式(8)所示的正交DCT-II字典，公式(9)所示的Kronecker Delta函数以及节假日因素，温度因素和天气因素构建商家客流量多因素字典D，如公式(10)所示；

K_j(n)＝δ(n-j) j＝N,N+1,...,2N-1 (9)

其中i,j表示字典的第i和第j列，n表示字典列向量的大小，N表示列向量的数量；

其中，前2N列是由正交DCT-II和Kronecker Delta函数产生的子字典，最后3列分别是节假日因素，温度因素和天气因素

步骤三、稀疏系数的求解和预测

使用步骤二中建立的多因素字典对每个商家客流量数据进行稀疏分解，求解稀疏系数，最后使用求得的稀疏系数结合多因素字典来预测未来一段时间的客流量。

2.根据权利要求1所述的基于稀疏回归的商家客流量多因素分析与预测方法，其特征在于，所述步骤一、历史客流数据预处理的具体步骤为：

1)去除训练数据中为0的数据；

2)计算训练数据的上四分位点Q1和下四分位点Q3；

3)根据公式(1)计算四分位距IQR；

IQR＝Q3-Q1 (1)

4)根据公式(2)和公式(3)计算异常值下边界F1和上边界F2；

F1＝Q1-1.5×IQR (2)

F2＝Q3+1.5×IQR (3)

5)去除训练数据中不在[F1,F2]之间的数据；

6)根据公式(4)对训练数据进行标准化

其中,y表示去噪之后的训练数据，mean(y)和std(y)分别表示y的均值和标准差，y'表示标准化的结果。

3.根据权利要求1所述的基于稀疏回归的商家客流量多因素分析与预测方法，其特征在于，所述步骤三、稀疏系数的求解和预测的具体步骤为：

1)对训练数据根据公式(11)进行稀疏编码，求解稀疏系数α；

其中表示历史客流量，是步骤二构建的多因素字典，时间从t₁到t_k，α是待求解的稀疏系数；

2)根据稀疏系数α结合多因素字典预测未来2周的客流量，如公式(12)所示；

其中表示未来两周的客流量，是步骤二构建的多因素字典，α表示求解得到的稀疏系数。